Hyper-heuristic based particle swarm optimization for many-objective problems

Detalhes bibliográficos
Autor(a) principal: Fritsche, Gian Mauricio
Data de Publicação: 2016
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFPR
Texto Completo: http://hdl.handle.net/1884/41790
Resumo: Orientadora : Profª. Ph.D. Aurora Pozo
id UFPR_8a35533c2761f5195eca4599b8177448
oai_identifier_str oai:acervodigital.ufpr.br:1884/41790
network_acronym_str UFPR
network_name_str Repositório Institucional da UFPR
repository_id_str 308
spelling Fritsche, Gian MauricioUniversidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em InformáticaRamirez Pozo, Aurora Trinidad, 1959-2017-08-22T17:34:55Z2017-08-22T17:34:55Z2016http://hdl.handle.net/1884/41790Orientadora : Profª. Ph.D. Aurora PozoDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Informática. Defesa: Curitiba, 29/02/2016Inclui referências : f. 81-87Resumo: O algoritmo de Otimização por Enxame de Partículas (PSO) e uma meta-heurística inspirada no comportamento de bandos de aves a procura de alimento. Os bons resultados obtidos por esta técnica na otimização de problemas mono-objetivo incentivaram o estudo de variações para problemas multi- objetivo (MOPSO), que também alcançaram bons resultados. Para a adaptação do PSO para problemas multi-objetivo algumas modificações foram necessárias, tais como o uso de um operador para seleção de líder e a aplicação de um operador de arquivamento. Entretanto, a qualidade do algoritmo diminui conforme o aumento do numero de objetivos. Encontrar, dentre os diferentes operadores de selecao de líder e de arquivamento, propostos na literatura, os mais apropriado para determinada instância de um problema permite amenizar esta perda de qualidade. Porem esta tarefa não é uma tarefa trivial. Em trabalhos anteriores o uso de hiper-heurística para a seleção de uma combinação apropriada destes operadores e proposta. Hiper-heurísticas são técnicas para a seleção, ou geração, de heurísticas para problemas de busca. Estas técnicas visam a seleção, ou geração, de uma heurística apropriada para determinada instancia de um problema ou estágio da busca. Neste trabalho foi abordada a hipótese de que, o uso de métodos de seleção mais avançados poderiam melhorar desempenho do MOPSO baseado em Hiper-heurística (H-MOPSO). Para investigar esta hipótese quatro métodos de seleção foram avaliados e comparados a um algoritmo multi-objetivo estado da arte. Nos resultados apresentados o H-MOPSO obteve melhores resultados na maioria dos problemas.Abstract: Multi-objective Particle Swarm Optimization (MOPSO) is a promising meta-heuristic to solve Many-Objective Problems (MaOPs), however, its performance decreases as the number of objective functions increases. Selecting a good combination of leader and archiving methods helps the algorithm to deal with the challenges caused by this increase in the number of objectives, but finding the most appropriate combination for a given problem is a hard task. To deal with this issue, previous works proposed the use of a simple hyper-heuristic to select dynamically a good combination of leader and archiving methods and achieved promising results. In this work, we hypothesize that by using more advanced heuristic selection methods we could further improve the performance of the algorithm. To investigate this hypothesis we conducted experimental studies comparing four heuristic selection methods. After selecting the best performing variant from this study, we conducted a second empirical study to compare this variant to a state-of-the- art optimizer, where the resulting algorithm outperformed it in most of the problems investigated.102 f. : il.application/pdfDisponível em formato digitalCiência da computaçãoAlgoritmos de computadorHeuristicaOtimização combinatoriaTesesHyper-heuristic based particle swarm optimization for many-objective problemsinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisporreponame:Repositório Institucional da UFPRinstname:Universidade Federal do Paraná (UFPR)instacron:UFPRinfo:eu-repo/semantics/openAccessORIGINALR - D - GIAN MAURICIO FRITSCHE.pdfapplication/pdf981602https://acervodigital.ufpr.br/bitstream/1884/41790/1/R%20-%20D%20-%20GIAN%20MAURICIO%20FRITSCHE.pdfd5361713cb0e69200367248e7adbe788MD51open accessTEXTR - D - GIAN MAURICIO FRITSCHE.pdf.txtExtracted Texttext/plain221768https://acervodigital.ufpr.br/bitstream/1884/41790/2/R%20-%20D%20-%20GIAN%20MAURICIO%20FRITSCHE.pdf.txt6ce4b873f432435f11524947ac9ece5fMD52open accessTHUMBNAILR - D - GIAN MAURICIO FRITSCHE.pdf.jpgGenerated Thumbnailimage/jpeg1151https://acervodigital.ufpr.br/bitstream/1884/41790/3/R%20-%20D%20-%20GIAN%20MAURICIO%20FRITSCHE.pdf.jpgb324a23799b4b56fe75833819b1a3f19MD53open access1884/417902017-08-22 14:34:55.603open accessoai:acervodigital.ufpr.br:1884/41790Repositório de PublicaçõesPUBhttp://acervodigital.ufpr.br/oai/requestopendoar:3082017-08-22T17:34:55Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)false
dc.title.pt_BR.fl_str_mv Hyper-heuristic based particle swarm optimization for many-objective problems
title Hyper-heuristic based particle swarm optimization for many-objective problems
spellingShingle Hyper-heuristic based particle swarm optimization for many-objective problems
Fritsche, Gian Mauricio
Ciência da computação
Algoritmos de computador
Heuristica
Otimização combinatoria
Teses
title_short Hyper-heuristic based particle swarm optimization for many-objective problems
title_full Hyper-heuristic based particle swarm optimization for many-objective problems
title_fullStr Hyper-heuristic based particle swarm optimization for many-objective problems
title_full_unstemmed Hyper-heuristic based particle swarm optimization for many-objective problems
title_sort Hyper-heuristic based particle swarm optimization for many-objective problems
author Fritsche, Gian Mauricio
author_facet Fritsche, Gian Mauricio
author_role author
dc.contributor.other.pt_BR.fl_str_mv Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Informática
dc.contributor.author.fl_str_mv Fritsche, Gian Mauricio
dc.contributor.advisor1.fl_str_mv Ramirez Pozo, Aurora Trinidad, 1959-
contributor_str_mv Ramirez Pozo, Aurora Trinidad, 1959-
dc.subject.por.fl_str_mv Ciência da computação
Algoritmos de computador
Heuristica
Otimização combinatoria
Teses
topic Ciência da computação
Algoritmos de computador
Heuristica
Otimização combinatoria
Teses
description Orientadora : Profª. Ph.D. Aurora Pozo
publishDate 2016
dc.date.issued.fl_str_mv 2016
dc.date.accessioned.fl_str_mv 2017-08-22T17:34:55Z
dc.date.available.fl_str_mv 2017-08-22T17:34:55Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/1884/41790
url http://hdl.handle.net/1884/41790
dc.language.iso.fl_str_mv por
language por
dc.relation.pt_BR.fl_str_mv Disponível em formato digital
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 102 f. : il.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPR
instname:Universidade Federal do Paraná (UFPR)
instacron:UFPR
instname_str Universidade Federal do Paraná (UFPR)
instacron_str UFPR
institution UFPR
reponame_str Repositório Institucional da UFPR
collection Repositório Institucional da UFPR
bitstream.url.fl_str_mv https://acervodigital.ufpr.br/bitstream/1884/41790/1/R%20-%20D%20-%20GIAN%20MAURICIO%20FRITSCHE.pdf
https://acervodigital.ufpr.br/bitstream/1884/41790/2/R%20-%20D%20-%20GIAN%20MAURICIO%20FRITSCHE.pdf.txt
https://acervodigital.ufpr.br/bitstream/1884/41790/3/R%20-%20D%20-%20GIAN%20MAURICIO%20FRITSCHE.pdf.jpg
bitstream.checksum.fl_str_mv d5361713cb0e69200367248e7adbe788
6ce4b873f432435f11524947ac9ece5f
b324a23799b4b56fe75833819b1a3f19
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFPR - Universidade Federal do Paraná (UFPR)
repository.mail.fl_str_mv
_version_ 1813898823527825408

Registros relacionados